加州正在下沉中。作为美国最高产的农业区,中部山谷的一些区域正在以每年一两英寸的速度下沉着。电线杆坍塌、道路裂缝、运河枯竭,随着时间的推移,一切都在下沉中。最近一项调查发现,美国阿巴克尔镇附近I-5的一片农田在9年内下沉了近2英尺。
根源就是被透支了的土壤含水层。在干旱期,当河流干涸农民争相寻找其他方式浇灌田地的时候,土壤含水层透支的情况就会进一步加剧。非营利性组织Freshwater Trust的基金主管Alex Johnson表示:“这是普遍存在的悲剧,每个人都不得不尽可能快地汲取水分。”这意味着未来出现干旱情况下水量就更少了,而且在干旱期之间出现少见的水分充沛的年份也无法弥补上加州地下含水层的透支情况。
根据美国各州新的规定,这种情况有望得到改善。2014年州法律首次制定了要稳定脆弱地下水盆地的准则,很大程度上将实现这些目标的任务交给了当地团体,要求他们制定计划在2040年之前将地下水的使用量降至可持续的水平,而在加州最干旱的地区这一时间甚至提前到了明年。新的规定也带来了潜在的好处:可以将地下水出售给能够更好地利用地下水的其他人。例如,农民可以改做种植需要水分较少的作物,如苜蓿、草莓等。这基本上相当于一种地下水的本地限额交易机制。
这个理论上听起来不错,但问题是,本地农场团地应该如何让这种市场机制运作起来,相互之间交易一种一直被激烈争夺、但从来没有被很好追踪使用情况的资源?
在萨克拉门托附近的索拉诺县,Johnson正在研究一种针对该州干旱地区的模型,该项目需要诸多技术来解决问题。上个月,Johnson的团队与IBM以及一家名为SweetSense的公司展开合作,开始部署一种最初用于监测东非地区地下水泵的简易太阳能传感器。这种传感器将被用来实时检测水流量。由于该地区蜂窝信号较差,因此传感器产生的数据通过由初创公司Swarm提供的cubeats小型卫星发送,农民使用这些数据在区块链平台上交换他们的水资源。
什么,在区块链上交换水资源?是的,你没有看错。加州公共政策研究所水资源政策主任Ellen Hanak表示,从某种程度上说,加州本地的地下水交易很可能将成为加州农业的一股新兴力量。在2月份发表的一项研究中Hanak发现,萨克拉门托南部圣华金河谷的农民们为了遵守2014年颁布的州法律,每年被迫放弃15%的土地,相当于损失价值35亿美元的农作物。她说,通过鼓励更好地分配水资源,可以让这个损失减少近一半。
到目前为止,在构建地下水交易市场方面没有取得太大进展。虽然地下水交易在美国加州很常见的,但由于受到法规和水权的影响,地下水交易没有类似的框架,而且存在特殊的复杂性,首先地下水使用者需要成立本地团体,就谁开始来分配什么达成一致,这个过程可能就要花费长达数年的时间;然后是地质问题,地下含水层的地理位置往往是神秘莫测的,有些看起来很可能是一个地下水盆地的地区,实际上是与其他多个更小的盆地相连接的,或者是有多个小型盆地组成的。加州大学伯克利分校的研究人员说,如果地下水交易市场不考虑这些复杂性的话,那么水资源的交易可能会无意中导致部分含水层的枯竭。然而,最大的问题可能是会计核算问题:需要一种可靠的方式来判断抽取多少水量,以及由谁来监督水资源交易各方是否诚信。
Johnson希望通过在索拉诺县开展的这个项目来证明区块链技术可以帮助用户更好地了解水资源使用情况,并就此达成共识。他说,这个想法是建立一个低成本(使用为东非农村地区开发的传感器)的、值得信赖的系统之上的,目前他们正在一个风险相对较低的地方进行测试。该地区由于靠近萨克拉门托-圣华金三角洲,所以地下水问题并不是特别严峻,但仍需要制定一项地下水计划以应对未来潜在的地下水枯竭问题。“我们要做的就是确保计这一划的灵活性。我们不需要安装价值4000美元的水表,只是使用卫星图像或者这些传感器,就一定能做到这一点,”索拉诺县水务局环境专家Chris Lee这样表示。
Johnson说,区块链的可信性起到了帮助作用。“水资源的使用者总是心存怀疑,他们不喜欢政府从中干预,又怀疑其他使用者过度使用了他们的资源。”这一点使得区块链成为水资源的理想选择,在不需要第三方监督的情况下,一群不一定相互信任的人彼此之间也能进行交易。今年夏季该计划启动试点的时候,只允许土地所有者查看他们的用水数据,而且交易本身是通过智能合约——在满足特定条件(如抽水量)时执行的计算机程序——完成的。
现在还不清楚农民是否能意识到区块链和传感器在实践中带来的成果,而这正是将该项目推广到其他地下水资源更加稀缺和争夺激烈的地区之前,在索拉诺县进行测试的关键。正如Hanak指出的,新技术带来的变化即将到来,但这可能是一个漫长的转折点。“这完全取决于人们对此的适应程度,我们正处于这个阶段的初期。”
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。